华北电力大学研究生院，华北电力大学研究生院官网
中国电工技术学会活动专区
CES Conference
阅读提示：本文约 1700 字
基于无人机和巡检机器人搭载的多光谱成像检测是高压设备非接触检测的发展趋势，而主要电气设备的识别是其绝缘状态智能诊断的基础。新能源电力系统国家重点实验室（华北电力大学）、河北省输变电设备安全防御重点实验室（华北电力大学）的研究人员律方成、牛雷雷、王胜辉、谢庆、王子豪，在2021年第22期《电工技术学报》上撰文，基于YOLOv4，搭建了五种主要电气设备识别平台，提出了网络的改进方法，并对其调参方法进行了研究。研究成果可用于多光谱成像电气设备运行状态的现场诊断。
绝缘子、金具等是电网输变电设备的重要组成部分，及时掌握其绝缘水平和运行状态对电力系统的安全稳定运行至关重要。目前电网主要采用的人工巡检方式耗时费力，且无法及时全面地掌握主要电气设备的外绝缘状态。基于无人机和巡检机器人搭载的可见光、紫外和红外图像信息是高压设备热、电参量非接触检测的重要手段和发展趋势，而绝缘子等主要电气设备的识别是对其进行综合诊断以实现其绝缘状态判别的基础。
实现绝缘子等高压设备图像识别思路主要有机器学习方式和深度学习方式。前者主要针对电气设备的形状和纹理特征进行设计，优点为针对性强、特征具有可解释性，缺点为检测鲁棒性差，对目标的拍摄角度等要求较高；后者通过卷积算法自动提取目标抽象化特征，实现端到端图像识别，其识别精度高，泛化能力好，识别速度快，但对样本需求量大，可解释性差。随着无人机和机器人巡检方式的推广，现场将产生大量高压设备检测视频和图片，基于此，华北电力大学律方成教授团队在本次研究中采用了深度学习方式。
深度学习的概念是在由G. E. Hinton等2006年提出的非监督贪心逐层训练算法的基础上，融合了卷积计算、神经网络框架、下采样和自动提取及匹配网络特征的端到端有监督学习框架。常用的深度学习框架包括以LeNet，Faster R-CNN（Region-Convolution Neural Network），SSD（Single Shot MultiBox Detector）和YOLO（You Only Look Once）为代表的深度卷积神经网络及以长短期记忆网络（Long Short-Term Memory, LSTM），GRU（Gated Recurrent Unit）为代表的循环卷积神经网络等。
深度学习在电气领域的应用研究主要包括：①利用电力系统运行数据实现其调度预测、调度控制、稳定性评估；②利用计算机视觉、结构化和非结构化文本，实现电力系统和电气设备状态预测、缺陷识别与故障诊断、自然语言处理。
对图像识别主要采用深度卷积神经网络。相比于Faster R-CNN，YOLO在2015年由美国华盛顿大学提出。同属图像识别state-of-art检测框架，YOLO采用无候选区域的类别和坐标one-stage检测思路，具有较高的识别准确度和更高的识别速度，可实现对无人机和机器人巡检产生的图像的实时、整体识别。其在电力系统的应用研究方面，有关文献主要基于YOLOv3或更早版本，关于网络参数对训练误差和识别准确度的影响的研究较少。
为了对外绝缘设备的绝缘状态进行智能诊断，华北电力大学律方成教授团队对YOLOv4网络框架进行了研究，建立了绝缘子、均压环、防振锤、套管和导线训练和测试数据库，研究了数据扩充算法、锚框及其聚类中心对其训练和识别性能的影响。
图1 One stage 检测流程
图2 YOLOv4网络框架
主要研究工作包括：采用表征训练误差、识别准确度和训练速度的系统性能评价体系，分析了YOLOv4检测框架及网络框架，研究并改进了Mosaic数据扩充算法，研究了交并比 （Intersection over Union, IoU）算法对不同尺度检测目标的边界框预测有效性，以及自建数据库的宽高数据标注值聚类对检测结果及其评价参数的影响，优化了YOLOv4的网络，提出基于IoU和识别准确度的网络调参方法。
图3 训练集数据库
图4 优化后网络的识别效果
本项研究成果主要有：1）基于YOLOv4，对数据扩充算法进行了改进，优化后的网络训练误差由1.011降低到了0.302，识别准确度提高到84.3%；2）研究并分析了CIoU和GIoU方法在训练和识别大目标和小目标中的优劣势，对均压环和防振锤等相对较小目标采用了GIoU的优化方法，使其平均识别准确率提高了3%；3）提出了基于自建数据库识别类别和label宽高数据的聚类思路，经过优化后的网络识别准确度提高了0.8%，训练误差减小了3%。
研究团队表示，经过优化和参数调优，较好地实现了主要电气设备的识别，本项成果可用于基于无人机和巡检机器人搭载的多光谱成像检测。
本文编自2021年第22期《电工技术学报》，论文标题为“基于优化YOLOv4的主要电气设备智能检测及调参策略”，作者为律方成、牛雷雷 等。
中国电工技术学会
新媒体平台
学会官方微信
电工技术学报
电气技术
学会官方B站
新浪微博
今日头条号
《电工技术学报》：010-63256949/6981 邮箱：dgjsxb@vip.126.com 《电气技术》：010-63256943 邮箱：dianqijishu@126.com 编务：010-63256994；订阅：010-63256817 广告合作：010-63256867/6838
华北电力大学研究生院(华北电力大学研究生院官网)